refactor(indexer): вынести разбиение на фрагменты в app.fragments + 5 тестов

_split_into_fragments жила в тяжёлой Celery-задаче (celery/sqlalchemy/minio) и
не тестировалась, хотя именно она определяет, ЧТО проверяется на плагиат.
Вынес в чистый app.fragments.split_into_fragments — тестируется изолированно:

- пустой/пробельный текст → [];
- текст короче 20 слов → отбрасывается порогом длины;
- короткий текст → один фрагмент на весь объём, start=0;
- скользящее окно: перекрытие ровно (window-step) слов, хвост==голова соседа;
- start/end — корректные символьные офсеты в исходный текст.

Поведение сохранено 1:1. Добавлен в mypy-гейт. Тестов всего: 66.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

services/worker-indexer/app/tasks/index.py

@@ -16,60 +16,11 @@ from app.config import settings
 from app.db import db_session, get_minio, update_task_status
 from app.extractors.docx import extract_text_from_docx, extract_text_from_txt
 from app.extractors.pdf import extract_text_from_pdf
+from app.fragments import split_into_fragments
 
 logger = get_task_logger(__name__)
 
 
-def _split_into_fragments(
-    text: str,
-    window: int = 200,
-    overlap: int = 50,
-) -> list[dict[str, Any]]:
-    """
-    Разбить текст на фрагменты для проверки плагиата.
-
-    Использует скользящее окно с перекрытием.
-
-    Args:
-        text: Исходный текст
-        window: Размер окна в словах
-        overlap: Перекрытие между фрагментами в словах
-
-    Returns:
-        Список словарей {"text": str, "start": int, "end": int}
-    """
-    words = text.split()
-    if not words:
-        return []
-
-    fragments = []
-    step = window - overlap
-    char_positions = []
-
-    # Вычислить позиции символов для каждого слова
-    pos = 0
-    for word in words:
-        char_positions.append(pos)
-        pos += len(word) + 1  # +1 для пробела
-
-    for i in range(0, max(1, len(words) - window + 1), step):
-        chunk_words = words[i : i + window]
-        if len(chunk_words) < 20:  # Пропустить слишком короткие фрагменты
-            continue
-
-        start_char = char_positions[i]
-        end_idx = min(i + window - 1, len(words) - 1)
-        end_char = char_positions[end_idx] + len(words[end_idx])
-
-        fragments.append({
-            "text": " ".join(chunk_words),
-            "start": start_char,
-            "end": end_char,
-        })
-
-    return fragments
-
-
 @celery_app.task(
     name="index.extract_and_check",
     bind=True,
@@ -133,7 +84,7 @@ def extract_and_check(
         _stage_work(task_id, minio_key, filename, text, word_count)
 
         # Разбить на фрагменты
-        fragments = _split_into_fragments(
+        fragments = split_into_fragments(
             text,
             window=settings.FRAGMENT_WINDOW_WORDS,
             overlap=settings.FRAGMENT_OVERLAP_WORDS,